KI-Prozessmodellierung vs. Berater-Workshops: der echte Vorteil
Klassische BPM-Erhebung hängt an Interviews, Workshops, Shadowing und Experteninterpretation. KI-gestützte Modellierung erweitert die Erfassung: mehr Quellen, weniger Verzögerung, mehrsprachiger Input und laufende Modellpflege.
Klassische Geschäftsprozessmodellierung beginnt mit Menschen. Ein Berater interviewt Process Owner, moderiert Workshops, liest SOPs, begleitet Mitarbeitende, löst Widersprüche auf und zeichnet danach das As-is-Modell.
Diese Arbeit ist wertvoll. Sie ist aber langsam, sozial und strukturell unvollständig.
Der Mitarbeitende beschreibt den Prozess, an den er sich erinnert. Der Process Owner beschreibt den Prozess, der gelten sollte. Die Abteilungsleitung schützt vielleicht ihr Team. Wer beschattet wird, führt oft die saubere Version der Arbeit aus. Aus allem zusammen entsteht dann ein Diagramm, meist nach Tagen oder Wochen Interpretation.
KI-gestützte Prozessmodellierung kann aus Prozessbeschreibungen, Workshop-Notizen, Dokumenten und Event Logs Entwürfe zur menschlichen Prüfung erstellen. Mit eingerichteter Pro-Videoanalyse prüfen Nutzer Aktivitäten aus einer Aufnahme anhand zeitgestempelter Nachweise, klären Unsicherheiten und bestätigen Prozessgrenzen und Abfolge, bevor sie einen bearbeitbaren BPMN-Entwurf erstellen.
Der Vorteil ist nicht, dass KI den Prozess “besser kennt” als ein Berater. Der Vorteil ist, dass KI mehr Evidenz sammeln, vergleichen und aktualisieren kann, als ein Workshop-Team manuell verarbeitet.
Mitarbeitende antworten in eigenen Worten, Ausnahmen werden normalisiert und Evidenz bleibt sichtbar.
Dokumente, Interviews, Logs, Screens, Sensoren, APIs und Korrekturen werden vergleichbar.
Neue Evidenz kann Modelländerungen vorschlagen, statt auf den nächsten Workshop zu warten.
Lokale Begriffe, Übersetzungen und unsichere Domänensprache werden für Review sichtbar.
Berater und Owner entscheiden, welche Ausnahmen, Risiken und Aktionen ins Modell gehören.
Die klassische Methode hat ein soziales Bias-Problem
Business Process Management umfasst weiterhin Discovery, Modellierung, Analyse, Messung, Verbesserung und Optimierung. IBMs BPM-Überblick nutzt genau diese Lifecycle-Logik, und BPMN bleibt nützlich, weil es Business und IT eine gemeinsame Notation gibt.
Schwierig bleibt die Discovery.
Prozess-Discovery kombiniert meist Dokumentenanalyse, Beobachtung, Interviews, Workshops und Review-Schleifen. Das Lehrmaterial zu Fundamentals of BPM beschreibt Process Analyst und Domain Expert als zentrale Rollen und nennt fragmentiertes Prozesswissen als Discovery-Herausforderung. Das passt zur Praxis: Die Menschen mit Prozesswissen denken oft nicht in BPMN; die Menschen, die BPMN zeichnen, kennen nicht jede Ausnahme.
So entsteht der bekannte Abstand zwischen modelliertem Prozess und realem Prozess.
Forschung zu Social-Desirability-Bias erklärt einen Teil davon. Krumpals Literaturreview beschreibt sozial motiviertes Falschberichten in sensiblen Befragungen und zeigt, dass Survey-Design, Interviewer-Merkmale und die Befragungssituation die Antwortqualität beeinflussen. Ein systematisches Review von 2026 in Quality & Quantity geht weiter: Social-Desirability-Bias betrifft Fragebögen und Interviews, weil sie soziale Interaktionen sind, und Methoden zur Reduktion wirken je nach Thema unterschiedlich gut.
Prozessinterviews sind keine Gesundheits- oder Wahlumfragen. Der Mechanismus ist trotzdem vertraut. Wenn die Frage lautet: “Wie läuft Arbeit hier wirklich?”, kann die Antwort heikel werden. Menschen denken an Schuld, Arbeitslast, Automatisierung, Kompetenz, Compliance oder Abteilungspolitik.
Beobachtung hat ein eigenes Problem. Der Hawthorne-Effekt ist die Kurzfassung: Menschen verhalten sich anders, wenn sie wissen, dass sie beobachtet werden. In Prozessprojekten bedeutet das: Shadowing kann die für das Projekt aufgeführte Version der Arbeit erfassen, nicht den normalen Dienstag.
KI entfernt diese Biases nicht. Ein menschenähnlicher Conversational Agent kann ebenfalls sozialen Druck erzeugen. Schuetzler, Giboney, Grimes und Nunamaker fanden, dass bessere Konversationsfähigkeiten bei Agenten für sensible Fragen sozial erwünschtere Antworten auslösen können. Die Lehre ist simpel: Die KI darf nicht so tun, als sei sie der besonders sympathische Interviewer, und daraus Ehrlichkeit ableiten.
Besser ist ein Intake mit weniger Druck:
- Mitarbeitende antworten in eigener Sprache und eigenen Worten;
- Fragen normalisieren Ausnahmen, statt Schuld zu suchen;
- Prozesserfassung wird klar von Leistungsbewertung getrennt;
- die KI zeigt, was sie abgeleitet hat, und Menschen können korrigieren;
- jede Behauptung bleibt mit Quelle und Evidenz verbunden.
Dort verbessert KI die Methode. Nicht indem Menschen aus Discovery verschwinden, sondern indem die Discovery-Situation weniger Theater wird.
Der größere Gewinn ist Triangulation
Klassische Prozessarbeit hängt oft an einem dominanten Kanal: Workshop-Notizen, Interviews, alte Diagramme oder Event Logs. Danach soll ein Artefakt eine chaotische Betriebsrealität vertreten.
Das Forschungsproblem ist bekannt. Van der Aa, Leopold, Mannhardt und Reijers beschreiben Prozessinformationen als fragmentiert über Dokumente, Modelle, Systeme, Policies, Spreadsheets und implizites Wissen. Diese Fragmentierung erschwert ein vollständiges Verständnis von Operations, weil Quellen einander widersprechen oder verschiedene Perspektiven abdecken.
KI-gestützte Modellierung ist nützlich, weil sie diese Fragmente vergleichen kann:
- Die SOP sagt, die Freigabe passiert vor dem Versand.
- Das Event Log zeigt, dass der Versand oft vorher startet.
- Ein Screen Recording zeigt den Workaround.
- Ein Mitarbeitender erklärt, warum es den Workaround gibt.
- Das Organigramm zeigt, wem die Ausnahme gehört.
- Das Modell markiert die Lücke zur Prüfung, statt sie in einer Notiz zu verstecken.
Das ist der echte Vorteil gegenüber reiner Workshop-Modellierung. KI kann aus vielen Teilsignalen einen Prozessentwurf bauen und Widersprüche sichtbar machen. Der Widerspruch ist oft die wichtigste Erkenntnis.
Das IEEE Process Mining Manifesto formuliert denselben Punkt aus Datenperspektive: Process Mining entdeckt, überwacht und verbessert reale Prozesse aus Event Logs statt angenommener Prozesse. Es unterscheidet Discovery, Conformance Checking und Enhancement. Das bleibt grundlegend.
Die Grenze ist genauso klar. Event Logs zeigen, was Systeme aufzeichnen. Sie verpassen manuelle Montage, verbale Übergaben, visuelle Prüfungen, Seitentabellen und Telefonate. Unsere Research Note zu multimodaler Prozesserfassung beschreibt diese Lücke direkt: Klassisches Process Mining braucht strukturierte Event Logs, während viel operative Arbeit keine digitale Spur hinterlässt.
KI-basierte Modellierung sitzt idealerweise über beiden Welten. Sie nutzt Event Logs, wenn sie existieren, aber auch Dokumente, Interviews, Kamera- oder Screen-Evidenz bei rechtmäßiger und zugestimmter Nutzung, API-Ereignisse, Sensordaten und menschliche Korrekturen.
Geschwindigkeit zählt, weil Modelle altern
Manuelle Prozessaufnahme ist teuer. Ein Paper zu partizipativer BPMN-Modellierung in Applied Sciences schreibt, dass die Akquisition von Prozessmodellen bis zu 60 Prozent der Projektzeit verbrauchen kann und dass automatische oder semi-automatische Generierung die Modellierungsphase verkürzen kann.
Diese Zahl ist kein universelles ROI-Versprechen. Sie ist ein nützlicher Hinweis: Modellierungszeit ist ein relevanter Teil von BPM-Arbeit.
Arbeitszeit ist sichtbar. Verzögerung ist teurer.
Wenn Interview, Abgleich, Modellierung, Review und Freigabe des As-is-Prozesses Wochen dauern, altert das Modell bereits bei Lieferung. Eine Pricing-Ausnahme ändert sich. Ein Lieferantenpfad verschiebt sich. Ein Team führt einen Workaround ein. Eine neue Compliance-Regel greift. Der Prozess läuft weiter, während das Modell auf den nächsten Workshop wartet.
Process-Model-Repair-Forschung ist hier hilfreich. Kourani und Kollegen beschreiben Prozessmodelle als wichtig für Dokumentation, Verständnis und Monitoring von Arbeit, merken aber an, dass Modelle veralten und überarbeitet werden müssen. Sie warnen auch, dass automatisierte Reparatur nur aus Event Logs Modellteile so ändern kann, dass Vorschriften oder Praktikerwissen verletzt werden.
Das ist das passende Betriebsprinzip für KI-Modellierung:
- KI erkennt Drift aus Logs, APIs, Screens, Tickets und anderen konfigurierten Quellen.
- KI schlägt eine Modelländerung mit Evidenz vor.
- Process Owner oder Berater genehmigen, verwerfen oder korrigieren.
- Das geprüfte Ergebnis fließt zurück ins Modell.
Klassisches Consulting kann diesen Loop durchführen, aber meist als Projektkadenz. KI kann ihn als Betriebskadenz laufen lassen.
Mehrsprachige und spezialisierte Arbeit verändert die Ökonomie
Globale Prozess-Discovery hat ein Übersetzungsproblem. In multinationalen Unternehmen liegt Prozesswissen über Standorte, Sprachen, Rollen und lokalen Jargon verteilt. Das NBER Working Paper zu Sprachbarrieren in Multinationals zeigt, dass Sprachbarrieren Interaktionen zwischen ausländischen und lokalen Managern behindern, und legt nahe, dass geringere Kommunikationskosten Wissenstransfer verbessern können.
Für Prozessmodellierung ist das direkt relevant. Ein deutsches Werk, ein polnisches Warehouse, ein indisches Support Center und ein mexikanisches Supplier-Team führen vielleicht denselben Prozess aus, aber mit anderen lokalen Begriffen, Formularen, Ausnahmen und Normen.
KI-gestützter Intake kann praktisch helfen:
- erste Beschreibungen schneller übersetzen;
- wiederkehrenden Jargon und Abkürzungen in gemeinsame Prozessbegriffe normalisieren;
- markieren, wo Übersetzungs-Confidence niedrig ist und Fachexperten prüfen müssen.
Der letzte Punkt ist Pflicht. Übersetzung ist nicht gelöst, nur weil ein Modell flüssiges Englisch oder Deutsch erzeugt. Fachbegriffe, Sicherheitssprache, vertragliche Pflichten und lokale Compliance brauchen weiterhin Prüfung durch Menschen mit Domänenwissen.
Spezialisierte Domänen funktionieren ähnlich. In Logistik, Fertigung, Finance, Healthcare, Energie und Verwaltung kann ein generischer Prozessanalyst die relevante Ausnahme übersehen. KI kann Domain-Glossare, historische Tickets, SOPs, Systemdaten und Beispiele nutzen, um bessere Rückfragen zu stellen. Sie kann aber auch schlechte Dokumentation übernehmen oder eine plausible Regel halluzinieren.
Der Gewinn liegt in besser genutzter Expertenzeit: Fachexperten erklären weniger Grundlagen und korrigieren mehr von dem, was wirklich zählt.
Wo Geist passt
Die relevante Käuferfrage ist nicht, ob KI BPM-Berater ersetzt. Die Frage ist, ob KI Prozess-Discovery nach dem Workshop mit Evidenz verbunden hält.
Die praktische These:
KI-gestützte Prozessmodellierung macht aus Discovery kein Workshop-Artefakt, sondern einen laufend geprüften Evidenz-Loop.
Auf der Geist-Oberfläche heißt das:
- Modeler: KI entwirft BPMN aus Dokumenten, Bildern, Importen und Daten, danach validiert der Modeler die Struktur.
- Finder: Prozessmodelle werden suchbar, versioniert und mit Ownership verbunden, statt in Ordnern zu verschwinden.
- Enterprise Map: Prozesse hängen an Teams, Standorten, Ownern, Lieferanten und betroffenen Operations.
- KI-Agenten: Agenten vergleichen neue Daten gegen betroffene Modelle, schlagen Änderungen vor, erzeugen Charts, markieren Warnungen und routen riskante Änderungen durch Review.
- Videoanalyse: Mit eingerichteter Pro-Videoanalyse aufgezeichnete Aktivitäten anhand zeitgestempelter, bildgenauer Nachweise prüfen und Prozessgrenzen und Abfolge bestätigen, bevor ein bearbeitbarer BPMN-Entwurf entsteht. Eine Aufnahme belegt keine unsichtbaren Regeln oder Leistungskennzahlen. Kontinuierliches kamerabasiertes Process Mining braucht eigene Entwicklung und Validierung.
Damit verändert sich das Delivery Model. Ein reiner Workshop-Flow sagt: interviewen, modellieren, validieren, präsentieren. Ein Live-Process-Intelligence-Flow sagt: beobachten, modellieren, vergleichen, prüfen, handeln, messen, aktualisieren.
Der Berater bleibt nützlich. Im besten Fall wird er wertvoller, weil die langweilige Erfassung schneller wird und die Urteilsarbeit sichtbar wird:
- Welche Ausnahmen sind legitim?
- Welche Workarounds sind Risiko?
- Welche Modellfragmente dürfen nicht automatisch geändert werden?
- Welche Aktionen brauchen Freigabe?
- Welche Evidenz reicht dem Steering Committee?
- Welche Sorgen der Mitarbeitenden müssen vor Automatisierung geklärt werden?
KI gibt Beratern eine bessere Aufgabe: weniger Diagrammrekonstruktion, mehr Urteil über Ausnahmen, Risiko, Ownership und Change.
Die Change-Management-Linie darf nicht fehlen
KI-Erfassung kann kippen.
Wenn Mitarbeitende glauben, das Tool soll Fehler finden, Produktivität ranken oder Jobs heimlich automatisieren, ändern sie ihr Verhalten. Dann entsteht derselbe Bias wie im Interview, nur schlimmer. Das Modell zeigt die sichere Performance, nicht den echten Betrieb.
Das Projekt braucht ein direktes Versprechen:
- was erfasst wird;
- warum es erfasst wird;
- wer es sehen kann;
- was ausgeschlossen ist;
- wie Identität geschützt wird, wo möglich;
- welche Entscheidungen das System vorschlagen darf;
- welche Entscheidungen menschliche Freigabe brauchen;
- wie Mitarbeitende falsche Ableitungen korrigieren können.
Das NIST AI Risk Management Framework liefert die passende Sprache: Vertrauenswürdige KI braucht Validität, Zuverlässigkeit, Sicherheit, Resilienz, Accountability, Transparenz, Erklärbarkeit, Privacy und Bias-Management. Für Prozessmodellierung wird das konkret. Jede Modellbehauptung braucht Quellen. Jeder Automatisierungsvorschlag braucht Grenzen. Jede wirksame Aktion braucht Review.
Dasselbe gilt für Shadow AI. Microsoft und LinkedIn berichteten im 2024 Work Trend Index, dass 78 Prozent der KI-Nutzer eigene KI-Tools zur Arbeit mitbringen. Das ist keine Prozessmodellierungsstatistik, aber relevant für Compliance. Mitarbeitende nutzen KI bereits, wenn offizielle Werkzeuge hinterherhinken. Unternehmen brauchen eine kontrollierte Oberfläche, in der Prozessdaten, Prompts, Outputs, Freigaben und Audit innerhalb der Unternehmensgrenzen bleiben.
Der praktische Vergleich
| Frage | Klassische beratergeführte Modellierung | KI-gestützte Modellierung mit menschlichem Review |
|---|---|---|
| Primärer Input | Interviews, Workshops, Dokumente, Beobachtung | Prozessbeschreibungen, Dokumente, Event Logs, Korrekturen; geprüfte Aufnahmen mit eingerichteter Pro-Videoanalyse |
| Hauptstärke | Vertrauen, Moderation, Organisationsurteil | Parallele Erfassung, Triangulation, Übersetzung, Drift-Erkennung |
| Hauptschwäche | Langsam, sozial, abhängig von Erinnerung und Politik | Braucht Governance, Zustimmung, Validierung und Domänenreview |
| Output | Modell und Empfehlungen | Modell, Evidenzlinks, Änderungsvorschläge, Owner, Freigaben, Audit Trail |
| Update-Muster | Projektkadenz | Betriebskadenz |
| Beste menschliche Rolle | Prozessanalyst und Change Facilitator | Reviewer, Owner, Ausnahme-Judge, Governance Lead |
Die richtige Antwort ist keine Lagerwahl.
Klassisches BPM bringt Moderation, Vertrauen, Stakeholder-Alignment und Urteil. KI-gestützte Modellierung bringt Skalierung, Breite und weniger Verzögerung. Der Unternehmensvorteil entsteht aus der Kombination: KI erfasst und vergleicht mehr Realität; Menschen entscheiden, was diese Realität bedeutet und was sich ändern soll.
Das ist der Käufer-Test: mehr Realität erfassen, mehr Evidenz bewahren und genug menschliches Urteil behalten, um zu entscheiden, was sich ändern soll.
Quellen
- IBM: What is business process management?
- Object Management Group / Elsevier-Kapitel: Business Process Model and Notation, BPMN
- Mendling et al. Lehrmaterial: Fundamentals of BPM: Process Discovery
- IEEE Task Force on Process Mining: Process Mining Manifesto
- Van der Aa, Leopold, Mannhardt, Reijers: On the Fragmentation of Process Information
- Misiak et al.: An Approach to Participatory Business Process Modeling
- Kourani et al.: On the use of domain knowledge for process model repair
- Kourani, Berti, Schuster, van der Aalst: Evaluating large language models on business process modeling
- Vidgof, Bachhofner, Mendling: Large Language Models for Business Process Management: Opportunities and Challenges
- Krumpal: Determinants of social desirability bias in sensitive surveys
- Zaal et al.: Unraveling honest responding: a systematic review on social desirability bias reduction
- McCambridge, Witton, Elbourne: Systematic review of the Hawthorne effect
- Schuetzler et al.: Conversational agent embodiment and socially desirable responding
- Guillouet et al.: Language Barriers in Multinationals and Knowledge Transfers
- NIST: AI Risk Management Framework 1.0
- Microsoft und LinkedIn: 2024 Work Trend Index on the state of AI at work
- Geist Forschungsnotiz: Multimodale Prozesserfassung: von Kameraaufnahmen zu BPMN (geprüfte Entwürfe erfordern eingerichtete Pro-Videoanalyse)
Antworten
Schnelle Antworten
Kurze Käuferantworten, passend zu diesem Artikel.FAQ
Häufige Fragen
Direkte Antworten auf die wichtigsten Kauf- und Vergleichsfragen.
01Ersetzt KI-Prozessmodellierung klassische Prozessberater?
Nein. KI kann Discovery-Lag senken, mehr Evidenz sammeln, Übersetzung unterstützen und Modelle aktuell halten. Berater bleiben wichtig für Scope, Vertrauen, Zustimmung, Organisationspolitik, fachliche Einordnung und Change Management.
02Warum erzeugen klassische Prozess-Workshops oft idealisierte Modelle?
Workshops und Interviews sind soziale Situationen. Beteiligte beschreiben oft den genehmigten Prozess, den erinnerten Prozess oder die Version, die gegenüber Beratern oder Führung am sichersten klingt. Beobachtung kann Verhalten ebenfalls verändern.
03Was ist der stärkste Vorteil von KI-gestützter Prozessmodellierung?
KI-gestützte Modellierung kann Interviewnotizen, Dokumente, Event Logs und menschliche Korrekturen in einem prüfbaren Entwurf vergleichen. Mit eingerichteter Pro-Videoanalyse prüfen Nutzer aufgezeichnete Aktivitäten anhand bildgenauer Nachweise und bestätigen Prozessgrenzen und Abfolge, bevor sie einen bearbeitbaren BPMN-Entwurf erstellen.
04Was ist das Hauptrisiko bei KI-basierter Prozesserfassung?
Das Hauptrisiko ist Vertrauen. Wenn Mitarbeitende KI-Erfassung als Überwachung oder verdeckte Automatisierung verstehen, ändern sie ihr Verhalten und die Adoption scheitert. Das Projekt braucht klaren Zweck, Zustimmung, Datenschutz, Korrekturrechte und menschliche Freigabegrenzen.